全国铁路SHP数据处理：坐标系投影、拓扑打断与最短路构建

简介：全国铁路SHP数据.zip面向地理信息、城市规划、交通工程等方向的学习者与研究人员，提供可载入ArcGIS、QGIS等软件的全国铁路线路和2016年高铁站点矢量数据，便于完成线路分布分析、站点选址、区域交通研究及专题制图。压缩包共12个文件，大小约11.37MB，以shp、dbf、prj、shx等格式为主，分别承载空间几何、属性字段、坐标定义与索引信息，便于准确配准和快速读取；其中属性表可用于线路与站点信息查询，投影文件有助于统一空间参考、减少图层错位。资源已有2769人学习下载，适合GIS入门练习、课程设计、制图作业及科研前期底图准备，对交通网络与城市研究具有参考价值。结合铁路线长度统计、高铁站分布模式识别、最近站点查询等空间分析，并与人口、经济等数据叠加，可服务区域发展研究与规划决策。

1. 全国铁路SHP数据不是底图：先想清楚你要拿它算什么

把「全国铁路SHP数据.zip」解压出来，多数人第一件事是拖进 QGIS 看一眼，觉得线画得挺全，然后就关掉了。这份东西的本质是一组线状要素矢量数据：每条记录是一条折线几何，配一行属性，说明这条线叫什么、属于哪类线路。它能干的事很具体——做路网距离与可达性计算、做站点接驳缓冲区、给物流路径做可视化底图、在内网离线环境里画一张能缩放到全国的铁路示意图。它不能干的事同样具体：没有车次时刻、没有客货运量、没有上下行区分，几何上也未必真的连通。所以第一步不是画图，是决定你要拿它算里程、算最短路，还是只当底图。三种用途对数据质量的要求差着一个数量级，先定用途再动手，能省掉后面一大半返工。

2. 拆包先验骨架：SHP 五件套与 DBF 字段的 10 字符困局

2.1 .shp/.shx/.dbf/.prj/.cpg 各管什么，少一个会出什么事

Shapefile 从来不是一个文件，而是一组同名的伴生文件。压缩包里如果只挑了.shp解出来，后面所有诡异现象都能从这里找到根。先把每个角色认清楚：

.prj和.cpg是重灾区，因为它们「看起来不重要」。一份全国范围的铁路线数据，.prj里通常写着地理坐标系（经纬度）而不是投影坐标系，这意味着你打开就量长度，量出来的是度数。.cpg里如果写的是 UTF-8，而 dbf 里实际存的是 GBK，那打开就是一堆问号——这种编码错配在跨软件流转的数据包里极其常见。

判断方法很朴素：解压后先ls一遍，看伴生文件是否齐全；再用文本编辑器打开.prj和.cpg直接看内容，.cpg一般就一行UTF-8或GBK/936。这一步花不了一分钟，但能提前排除后面一半的排查工作量。

2.2 用 geopandas 一次读出图层、字段与几何体检报告

不要急着画图，先出一份体检报告。下面的脚本把图层名、坐标系、字段、几何类型分布、无效几何、空几何一次性打出来，跑完你就知道这份数据能不能直接进下一步。

import geopandas as gpd import pyogrio SHP = "全国铁路.shp" # 1) 先看不读几何，速度极快，确认图层名与几何类型 print(pyogrio.list_layers(SHP)) # 2) 指定编码读取，避免中文乱码；engine 用 pyogrio 比 fiona 快数倍 gdf = gpd.read_file(SHP, engine="pyogrio", encoding="UTF-8") print("坐标系:", gdf.crs) print("要素数:", len(gdf)) print("字段:", list(gdf.columns)) # 3) 几何体检 report = { "几何类型分布": gdf.geom_type.value_counts().to_dict(), "空几何": int(gdf.geometry.is_empty.sum()), "无效几何": int((~gdf.geometry.is_valid).sum()), "自相交": int((~gdf.geometry.is_simple).sum()), } for k, v in report.items(): print(f"{k}: {v}")

这段代码有三个关键参数值得说清楚。encoding必须和.cpg声明一致；如果.cpg写的是 GBK 而你传 UTF-8，读出来照样是乱码，此时改成encoding="GBK"再试，两种都试一遍是正确的排查姿势。engine="pyogrio"是 GDAL 的向量读写封装，对全国量级的线数据，读取速度通常比默认引擎快三到五倍，代价是需要额外装包。第三步的is_valid检查很关键：铁路线数据在拼接来源不同时期的数据时，常出现自相交、重复点、零长度段，这些几何在后续打断和构图时会直接抛异常，或者更糟——静默产生错误的拓扑。

如果体检报告里无效几何占比超过千分之一，不要急着make_valid一把梭。先按几何类型分组，看看无效集中在哪一类线路上，往往是某一段外部导入数据的坐标精度问题，定位到源头再修比全局修复安全得多。

2.3 字段名被截断之后：建一张映射表把 NAME/TYPE 翻译回来

dBASE 格式对字段名的限制是 10 个字符，而 Shapefile 规范里字段名还只能包含字母数字下划线。中文原始字段名在导出成 Shapefile 时，要么被截断成NAME_1、NAME_2，要么被转成拼音首字母。你拿到的属性表里出现一堆XZQHMC、XLMC这种缩写，不是作者故弄玄虚，是格式限制的产物。

处理办法是建一张映射表，把缩写、字段位置和业务含义对上，再统一改名。判断哪个字段对应什么，最可靠的方式是抽样看值，而不是猜缩写。

import geopandas as gpd gdf = gpd.read_file("全国铁路.shp", engine="pyogrio", encoding="UTF-8") # 先抽样看每个候选字段的前几个值，人工确认真实含义 for col in gdf.columns: if col == "geometry": continue sample = gdf[col].dropna().astype(str).head(3).tolist() print(f"{col} -> {sample}") # 确认后再改，映射表按你的实际字段调整 FIELD_MAP = { "NAME": "line_name", "TYPE": "line_type", "LENGTH": "src_length", "XZQHMC": "province", } gdf = gdf.rename(columns={k: v for k, v in FIELD_MAP.items() if k in gdf.columns})

抽样这一步不能省。字段名被截断后，NAME和NAME_1谁是谁完全没有规律，有的数据包里NAME是线路名、NAME_1是所属路局，有的正好反过来。直接按缩写硬套映射，等于给自己埋一颗几个月后才炸的雷。字段确认完之后顺手做一次值分布统计，尤其看line_type这类分类字段有几个取值、各占多少，能快速发现分类体系是否和你预期的客专/普速/支线一致。

3. 坐标系选错，铁路长度能差出一个数量级

3.1 对 EPSG:4326 直接求长度，得到的数字没有任何物理意义

经纬度坐标下的geometry.length返回的是度数。一条横跨若干纬度的干线，算出来可能是二十几「度」——既不是公里也不是米，拿去和里程表对比毫无意义。更麻烦的是这个错误不会报错，它会安静地输出一个看起来像数字的东西。

正确做法是分两步：先确认数据本身的坐标系（看.prj，多数全国铁路数据给的是 WGS84 或 CGCS2000 经纬度，EPSG:4326 / 4490），再投影到一个长度变形可接受的平面坐标系再算。

如果只是想快速估一个量级，可以用球面距离公式，但球面距离和平面距离在局部仍有差异。实测经验是：中纬度地区，球面距离与合适投影下的平面距离相差通常在千分之几量级，做统计够用，做工程结算不够用。做工程就老老实实投影。

3.2 三度带投影下的批量换算与偏差自检

全国范围的数据不能用一个投影带硬套。经度跨度大，单一投影在边缘处的长度变形会显著放大。常见做法是按三度带分带处理：每条线按自身中心经度归属到某个带，用该带的中央经线建投影。

import geopandas as gpd from pyproj import CRS import numpy as np gdf = gpd.read_file("全国铁路.shp", engine="pyogrio", encoding="UTF-8") gdf = gdf.to_crs("EPSG:4326") # 先统一到经纬度 def tmerc_crs(cm: float) -> CRS: """按中央经线构造三度带高斯-克吕格投影""" return CRS.from_proj4( f"+proj=tmerc +lat_0=0 +lon_0={cm} +k=1 " f"+x_0=500000 +y_0=0 +ellps=GRS80 +units=m +no_defs" ) gdf["cm"] = gdf.geometry.centroid.x.apply(lambda lon: round(lon / 3) * 3) gdf["len_m"] = np.nan for cm, sub in gdf.groupby("cm"): proj = sub.to_crs(tmerc_crs(cm)) gdf.loc[sub.index, "len_m"] = proj.geometry.length gdf["len_km"] = gdf.len_m / 1000 print(gdf["len_km"].describe())

参数含义需要拆开讲。lon_0是中央经线，用要素质心经度四舍五入到 3 的倍数得到，这样每条线都落在自己最合适的带里，靠近中央经线处投影长度变形接近零。k=1是中央经线比例因子，高斯投影取 1。x_0=500000是东伪偏移，避免坐标出现负值。ellps=GRS80对应 CGCS2000 用的椭球，如果原数据是 WGS84，椭球参数差异带来的长度影响在米级以下，工程上可忽略。

三度带边缘的最大长度相对变形在万分之一量级，对铁路里程这种以公里计的尺度，误差量级是零点几公里到几公里，比直接拿度数算靠谱得多。

自检方法是：随机抽十几条线，把投影算出来的长度和属性表里原有的长度字段对比，算相对偏差。偏差集中在 ±2% 以内说明整体没问题；出现个别偏差超过 20% 的，通常是那条线本身几何有问题，或者属性里的长度根本是另一套口径，这时候别急着改代码，先去查那几个异常要素。

3.3 几何长度、运营里程、径路长度是三笔账

这是我在实际项目里被反复教育过的一课。几何长度是折线在平面上的长度；运营里程是线路投入运营时按规则计取的里程，包含曲线、坡度修正和特定的计取规则；径路长度是列车实际走行路径的长度，受联络线、绕行影响。三者数值不同是正常的，相同才是巧合。

更要命的是复线问题。一条双线铁路在数据里如果是两条平行折线各画一遍，几何长度加起来正好翻倍；如果画成一条中心线，长度又只有单线。数据包里到底是哪种表达，必须靠抽样打开看，不能靠属性字段判断。我一般会在做任何汇总统计之前，先按线路名分组，看同名线路的几何条数和总长，人工核对几条典型线路，确认这批数据的表达口径，再决定复线要不要除二。这个核对不做，后面所有汇总数字都要打个问号。

4. 把画出来的线变成能跑最短路的路网：打断、吸附与连通分量

4.1 视觉相交不等于拓扑相连：悬挂节点是怎么来的

在屏幕上看到两条线交叉，不代表它们在拓扑上相交。铁路数据在制图阶段是按线路组织的，一条干线可能是一根几千个点的超长折线，另一条支线从它中间穿过去，两者的几何在交叉点上未必有共同顶点。用这种数据构图，结果就是两条线各走各的，最短路绕出一大圈。

除了未打断，还有两类常见问题。一是悬挂节点：线的端点悬在另一条线旁边几米处，肉眼几乎看不出间隙，但拓扑上完全断开。这类问题在拼接多来源数据时格外多，因为不同来源的采集精度不同。二是重复线：同一段线路被两份数据各画一遍，构图时要么产生平行边，要么在合并时被错误地当成两条不同路径。这两类问题不解决，最短路算出来的结果就是玄学，跑通一次不能代表下次还对。

4.2 用 unary_union 打断、按端点吸附构图

处理流程是三步：先合并几何做节点化打断，再按容差把端点吸附成同一节点，最后建图。

import geopandas as gpd import networkx as nx from shapely.ops import unary_union gdf = gpd.read_file("全国铁路.shp", engine="pyogrio", encoding="UTF-8") gdf = gdf.to_crs(tmerc_crs(105)) # 先投影，后续所有距离单位都是米 # 1) 在交点处打断：unary_union 会把相交的线切成共享端点的段 merged = unary_union(gdf.geometry.values) segments = list(merged.geoms) if merged.geom_type == "MultiLineString" else [merged] # 2) 按端点吸附建图，tol 为吸附容差（米） def build_graph(lines, tol=5.0): G = nx.Graph() for geom in lines: coords = list(geom.coords) for a, b in zip(coords[:-1], coords[1:]): na = (round(a[0] / tol), round(a[1] / tol)) # 网格化吸附 nb = (round(b[0] / tol), round(b[1] / tol)) if na == nb: continue # 跳过零长度段 w = ((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2) ** 0.5 if G.has_edge(na, nb) and G[na][nb]["weight"] <= w: continue # 重复边只保留较短的一条 G.add_edge(na, nb, weight=w) return G G = build_graph(segments, tol=5.0) print("节点数:", G.number_of_nodes(), "边数:", G.number_of_edges())

unary_union是这一步的核心，它会把所有相交的线在交点处切开，输出一堆共享端点的线段，这是拓扑化最关键的一刀。tol是吸附容差，用到米为单位时取 5 米是个经验起点：太小抓不住精度差异造成的悬挂，太大可能把并行的双线错误地吸成一条。全国范围的数据建议先取 5 米跑一遍看连通分量，如果分量碎得离谱，再往上试 10 米、20 米。网格化吸附（除以 tol 再取整）是最省事的做法，缺点是网格边界附近的点可能吸附不上，工程上够用，追求严谨可以换 KD 树做半径查询。

4.3 连通分量与悬挂节点统计：先判断这张网能不能用

图建好之后不要马上跑最短路，先看结构。两个指标最有诊断价值：连通分量的数量和规模分布，以及度为 1 的节点占比。

comps = sorted(nx.connected_components(G), key=len, reverse=True) print("连通分量数:", len(comps)) print("最大分量节点数:", len(comps[0])) print("前 10 个分量规模:", [len(c) for c in comps[:10]]) print("孤立小分量(<5节点)数:", sum(1 for c in comps if len(c) < 5)) deg1 = [n for n, d in G.degree() if d == 1] print("度为 1 的节点数:", len(deg1), "占比:", round(len(deg1) / G.number_of_nodes(), 4))

理想情况下，全国铁路网的最大连通分量应该覆盖九成以上的节点。如果最大分量只占三成，说明打断和吸附这一步没做好，或者数据本身就是分省分片存储的。此时不要往下走，回头调tol，或者先按空间范围分块处理。

度为 1 的节点是悬挂节点的直接体现。一条线的末端如果接在另一条线的中间，打断之后那个端点会成为度为 3 的节点，这是健康的；而悬在半空、没接上任何东西的端点度为 1。健康的路网里度为 1 的节点应该只出现在真正的尽头线（专用线、尽头式支线）上，占比通常在个位数百分比。如果这个比例到了两成以上，说明大量端点没接上，最短路会大面积失效。我一般的处理是：把度为 1 的节点拿去做一次最近邻查询，如果 50 米内有可吸附的边，就补一条虚拟连接边，权重按距离给，然后重新检查分量数是否下降。

5. 五个翻车现场：铁路 SHP 从能看变成能算之间的排查清单

5.1 属性表中文全是乱码，改编码也没用

现象：用gpd.read_file读出来，中文字段值全是问号或方块，换 UTF-8、GBK 都试了还是不对。

原因：.cpg文件缺失，或者.cpg声明的编码和 dbf 实际存储的编码不一致。缺.cpg时 GDAL 对 dbf 默认按 Latin-1 处理，中文必然乱码；而.cpg里写 UTF-8 但内容实际是 GBK 的情况，在有.cpg的前提下反而更难排查，因为工具会信任声明。

解决：先看.cpg内容，没有就手动创建一份试 UTF-8，读出来还是乱码就换 GBK 重试。也可以在读取前设环境变量SHAPE_ENCODING=GBK。如果要彻底避免这类问题，读出正确内容后立刻转成 GeoPackage 或 GeoJSON 落一份，这些格式自带 UTF-8 声明，后续就不用再跟编码纠缠。这也是我处理任何外来的 shapefile 时的固定动作：先转一次格式，把编码问题一次性关掉。

5.2 字段名对不上，join 之后大面积空值

现象：把铁路线和站点表按线路名关联，结果九成以上匹配不上，或者匹配出一堆错位的记录。

原因：dBASE 的 10 字符字段名限制导致原始字段被截断重命名，你的关联键可能根本不是你以为的那个字段；另一种常见情况是线路名本身存在前后空格、全半角差异、繁简混用，肉眼看着一样，实际字符串不相等。

解决：先做字段抽样确认语义，再做字符串规范化——strip()、全半角统一、去掉括号内的附加说明，最后才 join。规范化之后仍匹配不上的那部分单独导出来人工看，往往能发现数据源本身的命名体系差异，比如一边叫「上行线」一边叫「上」。这一步做完再统计匹配率，低于八成说明键选错了，不要硬凑。

5.3 最短路结果绕远，明明有直连却走了大圈

现象：起终点相邻，算出来的路径却绕出几十公里。

原因：交叉处几何未打断，视觉上的十字路口在拓扑上是两条互不相交的独立线，图里根本没有那条边。或者打断做了但端点吸附容差太小，差几米的悬挂没接上。

解决：先查连通分量，看起终点是否在同一个分量里，不在就说明是拓扑断裂。再定位断裂位置：取路径两端点做最近邻查询，找出附近本该相连却未相连的节点对，补虚拟边后重算。把tol从 5 米调到 20 米重跑一遍，如果绕远现象明显减少，说明就是精度差异导致的悬挂。这个排查顺序我踩过几次坑之后固定下来了：先看分量，再看悬挂，最后才怀疑权重。

5.4 坐标数值差了十万倍，或者全是负数

现象：读进来之后线跑到地图外，长度算出来是几百万。

原因：.prj缺失导致坐标系未被识别，程序按未知坐标系处理且不做任何转换；或者是投影坐标被误当成经纬度再投了一次，数值放大到几百倍。

解决：先看坐标数值的量级——经度在 -180 到 180 之间、纬度在 -90 到 90 之间的是经纬度；数值在几十万到几百万、且 y 值有正负的是投影坐标。量级确认之后手工指定 CRS，而不是依赖.prj。误投影两次的情况靠量级也能看出来，重新用正确的源坐标系覆盖即可。

5.5 汇总里程比公开数字大了将近一倍

现象：把所有线要素长度加总，得到的数字和公开的运营里程差了接近一倍。

原因：复线被画成了两条平行折线各算一遍；或者数据里同时包含了正线和站线、联络线，站线在车站范围内密集重复，累积出大量额外长度。

解决：先按线路名分组看几何条数，同名线路有两条平行几何的基本可以确认是复线表达。再按线型字段过滤，去掉站线、段管线这类非正线要素后再汇总。做这两步之后通常能对上量级。如果还有明显差异，那就是口径问题，得回去查数据的制取说明，而不是继续调代码——几何长度和运营里程本来就不是一个东西，强行对齐只会得到假精度。

6. 入库与切片之后怎么验收：三条对得上的校验线

数据在本地跑通只是第一步，真正交付前一般要落进数据库或切成前端能用的瓦片。入库这一环最省事的是ogr2ogr，它把编码、字段类型、几何类型的转换一并处理：

ogr2ogr -f PostgreSQL \ PG:"host=127.0.0.1 port=5432 dbname=gis user=gis" \ 全国铁路.shp \ -nln rail_line -nlt MULTILINESTRING \ -lco GEOMETRY_NAME=geom -lco FID=gid -lco PRECISION=NO \ -t_srs EPSG:4326 -progress

-nlt MULTILINESTRING强制统一几何类型，避免混入 LineString 导致建表失败；-lco PRECISION=NO关掉字段精度约束，否则 dbf 里那些带小数的字段建成 numeric 时会被截断；-t_srs做一次统一投影，入库后所有人看到的都是同一套坐标。切片用mapshaper更轻：

mapshaper 全国铁路.shp -simplify 30% keep-shapes \ -o format=geojson precision=0.00001 rail.geojson

keep-shapes防止抽稀把短支线抽没，precision控制坐标小数位，全国尺度的线数据给到 5 位小数（约 1 米）足够，再高只是白白撑大体积。

验收我固定看三条线。第一条是抽样对比：随机抽 10 条有明确里程的线路，把几何长度和已知里程列出来算相对偏差，偏差集中在 ±3% 以内算过关，孤立的异常值回去查几何。第二条是拓扑回归：入库后按同样的容差重新查一次连通分量数，和本地跑的结果比对，数量应该完全一致，不一致说明入库过程改了精度或几何类型。第三条是可视化抽检：把切片结果叠到已知的行政区划底图上，随机缩放到五个区域看线路走向是否合理——这条最土，但抓到过好几次投影参数写错导致的整体偏移。

说个我自己的习惯：任何一份外来矢量数据，我都会在第一次处理完之后把「原始编码 + 源坐标系 + 投影参数 + 吸附容差 + 连通分量数」这五个值写进一个 README 放在同目录下。半年后别人接手，或者自己回头复现，不用再猜当初为什么取了 5 米。这个习惯是踩了太多次「同样的数据跑出两个结果」之后才养成的，比任何排查技巧都省时间。希望帮到你。

本文还有配套的精品资源，点击获取